使用卫生保健数据预测抑郁 作者：Vivienne DiFrancesco 可以在找到用于探索该项目中使用的数据的配套仪表板 该存储库的内容是对使用机器学习模型来预测使用医疗保健数据的人的抑郁症的分析。 希望可以使工作更易于访问和复制，从而进行详细的分析。 储存库结构 README.md：此项目审阅者的顶级自述文件 first_notebook.ipynb：从数据清理阶段开始在jupyter笔记本中进行分析的叙述性文档 second_notebook.ipynb：在项目的探索阶段清理数据之后开始的叙述性文档的延续 PredictingDepressionSlides.pdf：项目演示幻灯片的PDF版本 project_functions文件夹：包含编写用于first_notebook和second_notebook的自定义函数 仪表板文件夹：包含用于创建此项目的配套仪表板的文件的文件夹 抽

抑郁症是一种医学疾病，通过改变一个人的感觉、思考和行为方式对个人产生负面影响，但幸运的是，它是可以治疗的，所以问题在于它的检测，我们可以在机器学习的帮助下解决它。 开发了一个模型来检测一个人是否患有抑郁症，使用他们声音的韵律特征（音高、音调、节奏），这些特征是抑郁症的有希望的指标。 该模型由 DAIC-WOZ 提供的数据进行训练，其中包含名为 Ellie 的虚拟面试官进行的临床面试，然后使用 sox 和系统编程对其进行预处理，以消除虚拟面试官的声音。 特征提取是通过使用 Librosa 库制作每个音频文件的频谱图来完成的。 然后将这些频谱图传递到具有平均池化层、dropout、He 初始化、批量归一化、指数线性单元激活函数和 Nesterov 加速梯度优化器的卷积神经网络。平均 F1 分数为 0.93。

抑郁自评量表

我们使用了7,000多名老年人退休的数据集来评估互联网对心理健康的作用。 使用流行病学研究中心（CES-D）制定的八点抑郁量表来衡量幸福感。 经验技术包括单方程回归，工具变量和倾向得分方法。 所有程序均表明，互联网使用对美国老年人的心理健康有积极贡献，据估计，互联网使用导致的抑郁症分类降低了约20％。 据估计，抑郁症每年给美国造成的损失约为1000亿美元，在老年人中扩大互联网的使用可能会带来可观的收益。

抑郁检测

语音信号的基音频率和共振峰特征在抑郁检测中的应用

简介：多项研究表明，出现抑郁症状的人数正在增加。 文献中有一个普遍的共识，即抑郁症在两种性别中都存在，但始终如一的报道表明，与男性相比，女性在抑郁症的发生频率和严重程度上更容易遭受抑郁症的困扰。 研究表明，挪威多达15-20％的青少年表现出抑郁或类似抑郁的症状。 此外，一些研究表明，经历抑郁症状的人数正在增加。 文献中有一个普遍的共识，即抑郁症在两种性别中都存在，但始终如一的报道表明，与男性相比，女性在抑郁症的发生频率和严重程度上更容易遭受抑郁症的困扰。 方法：本研究中使用的所有数据均摘自2014年在挪威青少年中进行的挪威Ungdata调查。 该样本包括46,374个观测值。 结论：在挪威青少年中，自我诊断出的抑郁症状的患病率存在​​显着差异，表明女性更容易暴露。 此外，如所假设的那样，希望与抑郁之间存在密切而重要的关系，希望通过对个人未来教育，幸福和财富的期望来实现。 基于这些发现，我们将希望作为解决抑郁症状的工具。 该分析的结果表明，男性对未来的乐观程度明显较低。

抑郁症患者的面部表情识别研究

背景：抑郁症是导致残疾的主要原因之一，包括患者的主观生活质量（QOL）受损。 不幸的是，在一般实践中，只有一小部分得到正确的诊断和治疗。 本研究旨在确定抑郁症患者的主观生活质量。 方法：使用世界卫生组织生活质量仪器（WHOQOL-BREF）对18岁及18岁以上成人的代表性样本（病例和对照各100例）进行QOL评估。 还对受访者的社会人口统计学因素进行了评估。 使用Mini International Neuropsychiatric Interview评估了严重的抑郁症。 抑郁的严重程度使用汉密尔顿抑郁量表进行评估，整体功能通过整体功能评估量表进行评估。 结果：参与者的大多数是女性（62.0％）和年轻，平均年龄为39.11±12.40岁。 与健康人相比，抑郁症患者的总体主观QOL（P <0.033），身体（P <0.002），心理（P <0.001），社会（P <0.006）和环境（P <0.048）域明显受损。控制。 与健康对照组相比，抑郁症患者的整体功能也受损（P <0.001）。 结论：研究发现，抑郁症是一种严重的疾病，会影响患者对其生活质量的看法。 因此，非常有必要创新更好的治

基于文本的抑郁症分析 本文源代码 先决条件 所需的python包可以在requirements.txt找到。 torch==1.2.0 kaldi_io==0.9.1 bert_serving_server==1.9.6 pytorch_ignite==0.2.0 numpy==1.16.4 librosa==0.7.0 tabulate==0.8.3 mistletoe==0.7.2 scipy==1.3.0 tqdm==4.32.2 pandas==0.24.2 fire==0.1.3 imbalanced_learn==0.5.0 allennlp==0.8.5 gensim==3.8.0 ignite==1.1.0 imblearn==0.0 nltk==3.4.5 plotnine==0.6.0 scikit_learn==0.21.3 PyYAML==5.1.2 预训练模型